IA aplicada al Marketing
[Guía para resolver casos]
SAMMY LIBERMAN
Se encuentra prohibida cualquier forma de reproducción de la obra, ya sea total o parcial por medio digital o analógico, sin el consentimiento expreso y por escrito del autor.
© Sammy Liberma Yaconi
Registro de propiedad intelectual N° 2020-A-8538
WiC | Ediciones Digitales 2021
Imagen portada: Maxo Liyac
Edición: Segunda
Impresión: Middletown, DE, USA
ISBN: 9798459492385
Autor
Sammy Liberman, Ph.D.
Contacto: Scan Code:
Ingeniero Comercial por la Universidad de Chile, Doctor en Economía por la Universidad Europea (Madrid), MBA por Loyola University-Maryland (USA), Master en Inteligencia Artifical por la Universitat Politécnica de Catalunya, Certified in Artificial Intelligence por Azure-Microsoft. Autor de los libros: ‘Marketing Estratégico: Casos Latinoamericanos’, ‘Marketing Internacional del Vino’, ‘Marketing Metrics and Frameworks’, del hand-book: “Machine Learning Aplicado a los Negocios, Ciencia y Tecnología” y de la guía para resolver casos: “IA aplicada al Marketing”. Se ha desempeñado como directivo, académico e investigador por más de 25 años, tanto en Chile como en el extranjero (USA, España, Dinamarca, Colombia, Brasil), así como consultor y relator de empresas en temas de Marketing Analytics, Dirección Estratégica y Data Science Aplicado a los Negocios.
Es socio de la empresa WiC Consulting (Chile/USA) especializada en la realización de proyectos de IA e Innovación aplicada a los negocios y el marketing.
Prólogo
Si bien, no es posible hablar de una figura metodológica única, que pueda ser aplicable en forma exitosa a todos los casos y experiencias en el campo del Marketing que -hoy más que nuncase cruzan con los temas de la Inteligencia Artificial, contar con una guía de aproximación para ambos temas, es sin lugar a dudas una interesante oportunidad de colaboración, tanto para el estudiante que busca resolver los problemas planteados por un caso como para el ejecutivo de negocios que enfrenta una experiencia real, en dichos campos
El modelo denominado Mkt-AI-Canvas©, que acá les presento, representa una guía de procedimientos y criterios que sirven como referencia, para enfrentar y resolver problemas de naturaleza similar en el campo de la Inteligencia Artificial aplicada al Marketing. Este, nos plantea una estructura de análisis en trece fases y etapas que es posible aplicar sobre los casos de empresas incorporados en el libro, desarrollados a partir de mi experiencia como consultor, como ejecutivo y en algunos casos como director de alguna de estas empresas. Dichos casos de estudio han sido estructurados, con el fin de facilitar al estudiante una adecuada aproximación y análisis de estos a partir de la utilización del modelo Mkt-AI-Canvas©
Deboindicar,quelasexperienciasdecasosincluidasenestelibro,másquetratardeilustrar una gestión adecuada o inadecuada respecto de situaciones pertenecientes al mundo de los negocios,intentan generar una adecuada base de discusión, reflexión yanálisis para quienes buscan iniciar su proceso de aproximación, al mundo de la Inteligencia Artificial aplicada al Marketing.
Sammy Liberman
PRIMERA PARTE
Modelo: Mkt-AI Canvas
Introducción
El modelo Mkt-AI-Canvas©i, plantea una estructura de análisis que busca facilitar la generación de aproximaciones formales para trabajar de manera organizada y conexa en el estudio de casos de marketing con aplicabilidad a los temas de Inteligencia Artificial. En el siguiente grafo, es posible apreciar la estructura del modelo, el cual está compuesto por 6 etapas vinculadas al campo del marketing y negocios y luego por 7 etapas vinculadas al campo de la IA, las cuales son descritas detalladamente en las páginas siguientes.
i Modelo de análisis desarrollado por Sammy Liberman.
La primera etapa del modelo, denominada “análisis de la situación” plantea la realización de un examen profundo tanto de los factores micro y macro ambientales que se encuentran subyacentes a la problemática de un caso de marketing. La segunda etapa, enfatiza en la búsqueda de los determinantes existentes en la problemática del caso de estudio, en tanto que la tercera etapa revisa y evalúa los cursos de acción alternativos que procuran resolver el problema identificado. La cuarta etapa del modelo, aceptando una -o más de una- de las alternativas propuestas, colabora en la formulación de la recomendación respecto de los cursos de acción pertinentes para resolver el problema central planteado por el caso de estudio. Esta cuarta etapa finaliza, con la pregunta ¿es posible apoyar la estrategia de resolución del problema, utilizando herramientas de Inteligencia
Artificial?
La respuesta a la pregunta anterior no es trivial, por lo cual se torna relevante intentar un análisis preliminar de costo-beneficios, que permita una primera aproximación al tema. En tal sentido, la quinta etapa del modelo se focaliza en explorar cuales serían los beneficios esperables que podría permitir el desarrollo de una solución de IA al problema planteado, en tanto que la sexta etapa, evalúa los potenciales retos que podría imponer dicha posibilidad. En el eventual caso, de que el análisis anterior ofrezca beneficios potenciales y retos razonablemente abordables, podríamos entonces, pensar en efectuar el abordaje de las etapas siguientes del modelo, la cual considera siete cuestionamientos, pertinente al campo de la IA que engarzan de manera natural con la reflexión de las etapas anteriores.
Si bien, esta estructura metodológica suele ser muy útil para el estudiante o directivo que se encuentra familiarizado con el método de casos, para el principiante, puede representar más de algún problema. En consecuencia, se pretende por medio del modelo Mkt-AI-Canvas©, así como por las listas de verificación que acompañan al modelo, poder ayudar al estudiante a alcanzar la familiaridad y expertise requerido para llevar a cabo un adecuado ejercicio de análisis de casos y resolución de problemas en el campo del marketing e IA. A continuación, se describen las etapas contenidas en el modelo Mkt-AI-Canvas©.
Etapas del modelo Mkt-AI-Canvas©
Las distintas etapas que comprende el modelo Mkt-AI-Canvas© son las siguientes:
(1) Analizar y registrar la situación actual
La estructura propuesta por la metodología Mkt-AI-Canvas©, se inicia con la revisión y análisis de la situación actual a la cual es referida la experiencia de caso. Si bien, esta se encuentra vinculada conlaexperienciaparticulardeunacompañíaalinteriordeunmercadoeindustria,estonosignifica tener que elaborar una historia de la firma, sino relacionar los aspectos y materias relevantes de los distintos contextos del caso. Este acercamiento es útil para obtener un mejor control de la situación, así como para descubrir problemas reales y potenciales insertos en el contexto del caso. Los 4 aspectosqueenestaetapaespertinenterevisarson: Elmedio,laindustria,el negocioylaestrategia. [El medio]: Los distintos contextos que son sometidos a revisión es esta sección, son el contexto económico, el social, el político, el legal, tecnológico, etc. Cualquiera de estos contextos puede ser
fuente de amenazas o de oportunidades para las distintas firmas que operan en un mercado en particular.
[La industria]: En esta segunda sección es pertinente realizar un análisis de la industria en la cual opera la firma. Una estructura de análisis provista por Michael Porter incluye la revisión y análisis de las cinco fuerzas participantes que se encuentran presentes en la dinámica competitiva de un sector industrial. Las cinco áreas consideradas en dicho análisis corresponden a los competidores existentes, los competidores potenciales, los productos sustitutos, los proveedores y los compradores o clientes. El peso relativo que finalmente adquieren las distintas fuerzas consideradas, puede amenazar la rentabilidad potencial de la industria y por lo tanto, de las firmas que en ella participan.
[La firma]: La tercera sección involucra el análisis de la firma, no sólo en comparación con la industria y los promedios de la industria, sino también, internamente, en términos de datos cuantitativos y cualitativos. Los temas claves de preocupación en esta etapa vienen dados por aspectos tales como objetivos, restricciones, filosofía de dirección, condición financiera, estructura y cultura organizacional de la firma, etc.
[La estrategia]: La cuarta sección busca analizar la consistencia existente entre la estrategia de marketing, la estrategia corporativa y los objetivos de la firma. Cada elemento de la mezcla de marketing es revisado en profundidad de igual forma que los aspectos estratégicos y operativos son contrastados con las metas de la firma y los objetivos del departamento de marketing. Un capítulo aparte considera la revisión de los aspectos relativos a la estrategia de marketing internacional de la firma.
Al realizar el proceso de análisis de la situación actual -de cualquier caso de estudio-, se deben examinar los datos en forma cuidadosa con el fin de lograr extraer los aspectos relevantes y esenciales de su contenido. Muchos casos contienen información no siempre relevante. El trabajo del analista consiste en descartar esa información para obtener una visión más clara respecto de la verdadera situación que envuelve al caso. Mientras procede el análisis, se debe vigilar cada fase a fin de determinar: (1) los síntomas del problema; (2) la causa de los problemas y (3) los efectos o potenciales efectos que se pueden generar a partir de los problemas identificados. Los síntomas de los problemas son indicadores de un problema, pero no representan el problema en sí. Por ejemplo, un síntoma de un problema puede ser el descenso en las ventas que experimenta una empresa en un territorioenparticular. Sinembargo,lacausadeestedescensopuedesergeneradoporqueel equipo de ventas asignado a dicho territorio desconoce las características y costumbres culturales del comercio en la zona o carece de contactos locales.
¡Qué significa "análisis" de un caso?
Una crítica común respecto de casos preparados dice algo como esto: “Se repitió el material del caso, pero no se analizó". Sin embargo, al mismo tiempo, es difícil definir exactamente qué se quiere decir con esto. Para disminuir la dispersión del punto, señalaremos que el análisis de un caso supone la revisión inteligente de la información dispuesta en el material de dicho caso de estudio. Estoimplicarealizarunprocesodeanálisiscuantitativoycualitativodelainformación,que permita la coexistencia de una etapa de síntesis, otra de generalizaciones y otra de implicancias.
Material del caso -Ejemplo-
“La alta tasa de crecimiento en las ventas de pizzas congeladas ha atraído –en el último tiempo- a un gran número de fabricantes de estos productos. Empresas como, Dr. Oetker, Di Giorno, Buitoni, La Crianza, Pizza Pizza e incluso la gran cadena de supermercados Walmart han ingresado en este segmento de negocio a través del desarrollo de nuevos y variados tipos de productos”.
“El competidor que más participación de mercado registra, es la marca, La Crianza, con un 8% del mercado, en tanto que el resto de los participantes no supera el 4% en forma individual.”
Síntesis: El mercado de pizza congelada es altamente competitivo y fragmentado.
Generalizaciones: En mercados tales como éste, los intentos por ganar participación de mercado por medio de la fijación de precios menores o utilizando gran publicidad no son muy útiles, ya que es posible que sus competidores repliquen rápidamente disminuyendo su efectividad.
Repercusiones o implicancias: Bajar los precios o gastar recursos en publicidad pueden no ser estrategiasmuyefectivasenestecaso.Quizásaumentarel espacioderefrigeradoresenlosnegocios minoristas y de retail podría ser más efectivo -esto se podría obtener a través de descuentos comerciales- o de igual forma desarrollar un producto distinto, claramente diferenciado, así como aumentar en forma importante la cobertura geográfica del mercado podrían ser estrategias más adecuadas para obtener mayor participación de mercado. Notar que, en el ejemplo anterior, ninguno de los tres pasos del análisis incluyó la repetición del material del caso. Por el contrario, la reflexión apuntó a extraer el significado de la información proporcionada adecuándola a los principios del marketing.
La información relevante del análisis situacional está ahora formalizada y registrada. La siguiente etapa corresponde a la identificación del problema -o set de problemas- que enfrenta la compañía en el caso de estudio.
Un acercamientoútil paraidentificar el núcleo del problema -o set de problemas-, es proporcionado por el análisis FODA. Este se refiere a la identificación de fortalezas, debilidades, oportunidades y amenazas que enfrenta una compañía.
Posibles fortalezas internas:
Nivel adecuado de recursos financieros
Prestigio en la industria
Liderazgo en el mercado
Estrategias funcionales bien concebidas
Acceso a economías a escala
Tecnología propia
Ventaja en costos
Adecuado nivel de comunicación externa
Habilidades en la innovación de productos
Dirección superior experimentada
Curvas de experiencia
Capacidad de fabricación
Capacidad de comercialización
Habilidades tecnológicas superiores, etc.
Posibles debilidades internas:
Falta de dirección estratégica clara
Instalaciones obsoletas
Rentabilidad histórica menor
Falta de profundidad y talento directivo
Pérdida de habilidades claves o competencias
Estrategias funcionales confusas
Problemas internos de operación
Lentitud en investigación y desarrollo
Mix de productos insuficiente
Débil imagen de mercado
Débil red de distribución
Débiles habilidades en marketing
Capacidad financiera insuficiente
Estructura de costos más alta que la competencia, etc.
Posibles oportunidades externas:
Ingreso a nuevos segmentos de mercado
Expansión de líneas de productos
Diversificación de productos relacionados
Decreciente poder de negociación de clientes y/o proveedores
Posibilidades de integración vertical regresiva o progresiva
Cambio en hábitos de consumo en favor de la oferta de la compañía
Crecimiento dinámico del mercado, etc.
Posibles amenazas externas:
Ingreso de competidores con estructura de costos menores
Presencia de productos sustitutos
Crecimiento rezagado del mercado
Cambios adversos en términos de intercambio y políticas comerciales
Requerimientos regulatorios costosos
Depresiones externas
Creciente poder de negociación de clientes y/o proveedores
Cambio en hábitos de consumo en desmedro de la oferta de la compañía
Cambios demográficos adversos, etc.
(2) Identificar los problemas y el núcleo de sus elementos
Si bien, encontrar y registrar problemas, así como el núcleo de sus elementos puede ser dificultoso, después de un análisis cuidadoso, los problemas primarios y secundarios deberían quedar explícitamente establecidos y listados en orden de importancia. Es común para los estudiantes que leen un caso por primera vez verlo como una descripción situacional en la cual no existen problemas. Sin embargo, un análisis cuidadoso debería revelar los síntomas que conducen al reconocimiento del problema. Una lista de verificación para analizar los problemas ysus elementos centrales puede ser la siguiente:
¿Cuál es el problema principal y cuáles son los problemas secundarios del caso?, ¿Qué limites existen en estos problemas centrales?, ¿Qué cantidad de pruebas están basadas en los hechos, en las opiniones o en las suposiciones?, ¿Qué síntomas sugieren los problemas identificados?, ¿Cómo están relacionados los problemas, son independientes o provienen de una génesis común?, ¿Cuáles son las ramificaciones que pueden tener estos problemas en el corto, mediano y largo plazo?, etc.
Esta etapa se preocupa de responder la siguiente pregunta:
¿Qué se puede hacer para resolver el problema o el set de problemas identificados en la etapa anterior?
Generalmente, se dispone de una cantidad de cursos de acción alternativos que podrían ayudar potencialmente a aplacar la condición del problema. Un número razonable de alternativas con las cuales trabajar son de tres a siete. Otro acercamiento es el de generar tantas alternativas como sean posibles y luego reducir la lista hasta un número con el que se pueda trabajar. El uso de una lógica maciza y razonable es muy importante en esta etapa. Es crítico evitar alternativas que pudieran inicialmente mitigar el problema, pero que posteriormente crean un problema más profundo o recurren a un mayor volumen de recursos para su eliminación. Después de generar una lista de alternativas, la siguiente tarea es evaluarlas en términos de costos y beneficios.
(4) Registrar los cursos de acción y los detalles de la implementación
En función del análisis ya realizado, lo que corresponde ahora es seleccionar la alternativa que solucione en mejor forma el problema -o el set de problemas-. Ningún análisis está completo sin una decisión orientada a la acción y sin un plan para implementarla. La siguiente es una lista de verificación para esta etapa:
¿Qué se debe hacer para implementar la alternativa?, ¿Dónde y cuándo se implementará la alternativa?,¿Cuál esel resultadoestimadounavezimplementadalaalternativa?,¿Cómose medirá el éxito o fracaso de la alternativa?
(3) Formular, evaluar y registrar estrategias de resolución de alternativasEsta cuarta etapa finaliza, con la pregunta ¿es posible apoyar la estrategia de resolución del problema, utilizando herramientas de Inteligencia Artificial? Para responder esta pregunta, lo primero que debemos hacer es preguntarnos, ¿tenemos datos?, ¿qué tipo de datos tenemos? y ¿qué tipo de datos necesitamos? Responder estas tres preguntas es fundamental y previo a la fase quinta y sexta. La imposibilidad de contar con datos apropiados restringe fuertemente la posibilidad de avanzar en dirección de soluciones de IA.
(5)
Un ejemplo de implementación de una solución de IA, podría ser el desarrollo de un modelo predictivo que colabore en la Reducción del Éxodo de Clientes (REC). Esto permitiría a una empresa poder identificar de manera anticipada los segmentos de clientes que tienen una mayor probabilidad de darse de baja y abandonar la cartera De esta manera, el mayor beneficio esperable a partir de esta solución, sería, la de poder predecir la probabilidad de “fuga” de los clientes. Otros beneficios -esperables- derivados de esta solución, se relacionan con la posibilidad de colaborar en la identificación del valor de cada cliente (Customer Lifitime Value), asignar los recursos de Marketing y Customer Service de manera diferenciada, aumentar la satisfacción general de los clientes, estimular el proceso de ventas de la empresa y fortalecer la imagen de esta en el mercado.
(6) Registrar retos esperables de la implementación de soluciones de IA
Los retos asociados a la implementación de soluciones de IA, normalmente tienen que ver con la existencia de restricciones internas o externas que podrían afectar la implementación de soluciones de IA, como por ejemplo el acceso a datos, la falta de controles a la privacidad de los datos, la falta de personal idóneo, la ausencia de compromiso gerencial, etc.
Una lista de verificación para formular y evaluar cursos de acción alternativos que considere soluciones de Inteligencia Artificial podría ser la siguiente: ¿Qué posibles soluciones de IA existen para resolver los problemas de la firma?, ¿Qué límites existen en las posibles alternativas de IA, en cuanto a competencia, recursos, preferencia directiva, responsabilidad social, restricciones legales?, ¿Qué alternativas están actualmente disponibles para la firma, y qué conceptos de marketing están involucrados?, ¿Son razonables las alternativas de IA señaladas, dada la situación de la firma, son lógicas, son consistentes las alternativas con las metas del programa de marketing, son consistentes con los objetivos de la firma?, ¿Cuáles son a priori, los costos, los beneficios, las ventajas y las desventajas de cada alternativa de IA?, ¿Cuál es la alternativa de IA que mejor resuelve el problema y minimiza la creación de nuevos problemas dado el set de restricciones identificadas?, etc.
Una vez analizadas las primeras 6 etapas del modelo y con la certeza de que la empresa se podría beneficiar a partir del desarrollo de alguna solución de IA, lo que procede es analizar -bajo el esquema de las siguientes 7 etapas del modelo-, la factibilidad operativa y financiera de la solución
Registrar beneficios esperables de la implementación de soluciones de IA
de IA, que fue identificada.
Un aspecto central, previo a ingresar en las siguientes etapas, dice relación con la necesidad de asegurar la existencia de los datos, así como la calidad de estos. En razón de este aspecto, la limpieza y preparación de datos es uno de los pasos críticos y de mayor consumo de tiempo en cualquier proyecto de Inteligencia Artificial.
(7) Identificar
cual es la pregunta de negocio
En esta etapa, la primera de las siete referidas al tema de IA, se pretende poner en contexto, cuál es el problema específico al cual deseamos encontrarle una respuesta a partir de los datos que dispone la empresa. Por ejemplo, la pregunta específica podría ser ¿Cuáles clientes dejarán la empresa el próximo mes? o ¿Qué pacientes quedarán satisfechos después de recibir nuestro servicio?, etc.
(8) Identificar cual
es la métrica relevante
En esta etapa, -muy vinculada a la anterior-, se busca identificar cual es la métrica de marketing elegibleparaconstruirunmodelopredictivo.Manteniendoel ejemploanterior,unamétricaelegible para la pregunta, ¿cuáles clientes dejarán la empresa el próximo mes?, podría ser el churn-rate. Es importante señalar, que una adecuada selección de esta, requiere de cierto nivel de experiencia y entrenamiento, ya que no cualquier métrica tendrá la capacidad de ofrecer las respuestas requeridas por la pregunta de negocio. Existen muchas empresas “midiendo puntillosamente bien, lo que no es importante medir”
(9) Identificar lo que necesitamos hacer con los datos
En la novena etapa, es fundamental intentar con exactitud lo que necesitamos hacer con los datos. Por ejemplo, podría interesarnos poder predecir entre dos categorías, -manteniendo el ejemplo anterior- si un cliente específico abandonará o no, nuestra empresa el próximo mes. O talvez, nos podría interesar poder predecir entre varias categorías, por ejemplo, si un paciente evaluará los servicios hospitalarios recibidos, dentro de un rango bajo, medio o alto. O talvez nos interesará poder predecir, cuál debiera ser el precio de una propiedad específica ubicada en el radio urbano norte, de la ciudad, etc.
(10) Identificar el modelo predictivo a utilizar
En esta etapa, debemos intentar traducir la necesidad que hemos identificado en la fase anterior, relacionándola con los distintos modelos predictivos que permite la IA. Por ejemplo, si lo que
necesitamos es saber si un cliente específico abandonará o no nuestra empresa el próximo mes, entonces el modelo predictivo a utilizar será el “modelo de clasificación entre dos clases”. Por otra parte, si lo que deseamos es poder predecir, cuál debiera ser el precio de una propiedad específica en el radio urbano norte de la ciudad, entonces el modelo predictivo a utilizar será el “modelo de regresión”, etc.
(11) Identificar los algoritmos a utilizar
Una vez seleccionado el modelo predictivo a utilizar, estaremos en condiciones de identificar los algoritmos que a priori nos resulten más adecuados para efectos de entrenar y testear el modelo. En tal sentido, cabe señalar que si estamos trabajando sobre
alguna
plataforma del tipo AIaaS (Artificial Intelligence as a Service) o SaaS (Software as a Service) como, por ejemplo, Azure de Microsoft, AWS, Watson de IBM, Google, Knime, Keras, TensorFlow, etc. será posible disponer de una cantidad importante de algoritmos -previamente configurados-para utilizar en el proceso de entrenamiento y testeo de nuestro modelo predictivo.
(12) Evaluar el desempeño del modelo predictivo
Una vez entrenados y testeados los algoritmos que fueron seleccionados en la etapa anterior, debemos evaluarlos, con el fin de seleccionar al que ofrezca el mejor desempeño para construir nuestro modelo predictivo. En tal sentido, el uso de las métricas de accuracy, presicion, recal y F1 score, entre otras, serán de gran utilidad para poder distinguir y escoger entre estos.
(13) Identificar el ROI de la solución de IA
Si bien, el desempeño operativo y técnico de las herramientas de Inteligencia Artificial puede resultar indiscutible, resulta muy necesario poder evaluar el rendimiento de una solución de IA, desdeunaperspectivafinancieraynofinanciera.Entalsentido,unaformadeevaluarlarentabilidad de las soluciones de IA, es a través del uso de métricas de resultado -de marketing y financierasque consideren el impacto de las acciones de IA. De igual manera, se torna relevante poder evaluar aspectos de orden estratégico, que pueden verse claramente influidos con soluciones de IA, como, por ejemplo, la integración de nuevas capacidades, que quedarán instaladas en la empresa a partir de la experiencia de IA. Las métricas pertinentes para efectuar este proceso de evaluación son: Marketing ROI, Net marketing Contribution y Net Profit, respectivamente (ver recuadro).
Notar que para efectos del desarrollo de un proyecto de IA, con acento en marketing, la forma de clasificar los costos que de este deriven, es por la vía de incorporarlos en la partida de “egresos de marketing, ventas y marketing intelligence”. Por otra parte, el beneficio de las acciones de IA se vinculan con la contribución que estos proyectos pueden generar a la estrategia de la organización. En definitiva, el estímulo que las estrategias y acciones de IA puedan generar en el Net Marketing Contribution (NMC) debieran tener una traducción en estímulos a la demanda (DDA), incrementos en la participación de mercado (MS), incrementos en los ingresos que puedan generar los clientes (CLV), aumentos en la penetración de los clientes (SOW), incrementos en el nivel de satisfacción de los clientes (CS), disminución en la deserción de los clientes (Churn), disminución en los costos de adquisición de nuevos clientes (CAC), etc. Todos estos beneficios, que tributan en favor del uso de las herramientas de IA, deben no solo ser ubicados en el centro de la estrategia de negocio, sino además deben ser monitoreados y evaluados de manera permanente.
Consideraciones finales
Algunas consideraciones que son necesarias de tener en cuenta al momento de analizar un caso son las siguientes:
1. Definir inadecuadamente el problema: Error muy común es el de intentar definir un curso de acción antes de haber definido claramente el problema.
2. Búsqueda de la respuesta: Notar que en marketing la única tautología plausible es que “no existen tautologías”. En el análisis de un caso no existen soluciones inequívocas. Se debe tener en cuenta que el objeto de los estudios de caso es aprender por medio del debate y la exploración. No existe siempre una respuesta oficial o correcta para el caso. Más bien existen varias soluciones y alternativas.
3. No existe suficiente información: Al igual que en la vida real, pocas veces un consultor o un ejecutivo posee la información necesaria para efectuar una toma de decisiones, por lo tanto, el proceso de formulación de supuestos “razonables” cobra lógica al instante de diseñar soluciones posibles para el problema planteado.
4. Uso de generalidades: Al analizar casos, se necesitan recomendaciones específicas y no generales. Una sugerencia de bajar el precio es una generalidad, sin embargo, una sugerencia de bajar el precio en un 15% bajo el promedio de mercado es específica.
5. Reducida visión de análisis: Aunque a menudo se etiquetan los casos como un tipo específico que presenta un problema único del tipo “fijación de precios” o “mix de
productos” o “canales de distribución”, etc. en ningún caso esto significa que se deba ignorar las otras variables de marketing por cuanto éstas podrían estar igualmente comprometidas en el núcleo del problema.
6. Realismo: Extremo cuidado se debe tener en la proposición de soluciones reales para una compañía. Por ejemplo, sugerir invertir altos montos de recursos en publicidad a una firma con estrecha rentabilidad y falta de liquidez puede no ser del todo razonable.
7. Investigar el mercado: Siempre será mejor tener más y mejor calidad de información para decidir. En este sentido plantear la idea de que, “hay que investigar el mercado” sin duda puede ayudar, sin embargo, es bueno recordar que dicho proceso puede suponer costos relevantes que deben ser administrados con precaución. La recomendación general es no perder de vista la relación de costo vs. beneficio como en cualquier proceso de asignación de recursos.
8. Repetición del material del caso: Muy frecuente es el hecho de que los analistas insistan en reproducir la información que ya está disponible al momento de plantear soluciones. Lo anterior se torna innecesario, por cuanto el instructor y los otros analistas están de sobra familiarizados con el material y contenidos del caso.
9. Anticipación de conclusiones: En el análisis de un caso, el analista puede definir a priori, su propia estrategia, sin embargo, es recomendable efectuar al menos una segunda lectura del caso con el fin de identificar la información que realmente es relevante y puede aportar para su análisis.
10. Aprendizaje: Finalmente debo señalar, que el proceso de aprendizaje para transformarse en un experto en resolución de casos de marketing, más aún, con vinculación al campo de la Inteligencia Artificial, no es distinto al proceso de aprendizaje que debe experimentar un novato en cualquier otro campo de estudio. Lo anterior supone trabajar con cierta disciplina, constancia y por sobre todo con entusiasmo.
Lienzo de trabajo del modelo Mkt-AI-Canvas©:
Referencias:
Liberman, S. (2011). “Marketing estratégico, casos latinoamericanos”. Santiago: Ed. LCA.
Liberman, S. (2015). “Marketing Metrics and Frameworks”, Santiago: Ediciones Fins Terrae, Liberman, S. (2020). “Machine Learning Aplicado a Negocios, Ciencia y Tecnología”. Columbia, WiC-Ediciones Digitales
10 Casos Aplicados
“Desde mi perspectiva, un adecuado ejercicio basado en el estudio de casos, supone no solamente la revisión y análisis de experiencias de empresas siempre exitosas –hacerlo supondría intentar aprender sólo a partir de la vida ejemplar de los santos– sino, por el contrario, exige adentrarse y constatar que el mundo real de los negocios es, por cierto, diverso, heterogéneo y no siempre pletórico de éxito”
Sammy Liberman
SEGUNDA PARTE
Caso Healthcare CHC Introducción
Cada año, hacia el final del ejercicio tributario, se publicaba el ranking de los mejores hospitales del Estado de North Carolina, el cual se confeccionaba de acuerdo al desempeño de los hospitales en relación a 25 métricas relevantes, incluida la información que era proporcionada por los Centros de Servicios de Medicare y Medicaid de EE. UU. Se examinaban las encuestas de satisfacción del paciente, las tasas de infecciones hospitalarias comúnmente adquiridas y las tasas de readmisión y muerte por procedimientos comunes.
Se consideraban en este análisis todos los centros médicos de cuidados intensivos para adultos del estado con al menos 50 camas, sin incluir los hospitales especializados y psiquiátricos.
Si bien los centros hospitalarios de mejor desempeño de la lista, tenían en promedio de 18.000 pacientes y contaban con alrededor de 1.500 camas, no era del todo claro que, ser parte de un gran sistema multi hospitalario fuera un requisito para desempeñarse a un alto nivel. En cuatro de los últimos cinco años, el Carolina East Medical Center (350 camas) se había situado entre los cinco mejores hospitales, mientras que el Caro Mont Regional Medical Center (435 camas) lo había hecho en tres oportunidades.
La industria del healthcare
Si bien,la granmayoría delasinstituciones pertenecientesalaIndustria del Healthcareenel Estado deCarolinadel Norte(IHCN)recopilabandemaneraconstanteysistemáticadatosestadísticospara
El caso Healthcare CHC, ha sido preparado por Sammy Liberman para ser utilizado como base de discusión y no como ilustración dela gestión adecuadao inadecuadadeuna situación determinada. Algunos datos ynombres aparecidos en el caso, así como diálogos y recreaciones, pueden haber sido modificados para proteger la privacidad de la empresa estudiada sin perder la coherencia necesaria con la realidad
2019 Best Hospitals List: Asheville, Atrium Health, Blue Cross And Blue Shield, Brian Floyd, Cape Fear Valley Medical Center, Carolina's HealthCare System NorthEast, CarolinaEast Medical Center, Carolinas Medical Center, CaroMont, CaroMont Regional Medical Center, Cary, Chad Setliff, Charlotte, Chris Hummer, Chris Peek, Chuck Elliott, Cone Health, David Kilarski, Duke Regional Hospital, Duke University Hospital, Durham, Fayetteville, FirstHealth Moore Regional Hospital, Frye Regional Medical Center, Gar Atchison, Gary Park, Gastonia, Greensboro, Greenville, Hendersonville, Hickory, High Point, James Hoekstra, James Kirby II, Jill Hoggard Green, John Gizdic, Johnston Health, Julie Ann Freischlag, Katie Galbraith, Matthews, Michael Nagowski, Mike Riley, Mission Hospital, New Bern, New Hanover Regional Medical Center, Novant Health Forsyth Medical Center, Novant Health Huntersville Medical Center, Novant Health Matthews Medical Center, Novant Health Presbyterian Medical Center, Pardee UNC Health Care, Paula Vincent, Phyllis Wingate, Pinehurst, Pineville, Raleigh, Raymond Leggett III, Rebecca Andrews, Roland Bibeau, Smithfield, Spencer Lilly, Steve Burriss, Terry Akin, The Leapfrog Group, Thomas Gough, Thomas Owens, U.S. Centers For Medicare & Medicaid Services, U.S. News & World Report, UNC Hospitals, UNC REX Healthcare, Vidant Medical Center, Wake Forest Baptist Health - High Point Medical Center, Wake Forest Baptist Medical Center, WakeMed, WakeMed Cary Hospital, Wilmington, Winston-Salem
medir el desempeño operativo de su gestión, el campo del marketing estratégico era todavía un concepto relativamente nuevo para la IHCN. No obstante, lo anterior, la creciente competencia en algunos espacios de mercado, preferentemente de corte privado, habían generado por parte de los centros clínicos y hospitalarios, la necesidad de llevar a cabo procesos de comercialización estratégica más afinados y con un mayor foco en el servicio y satisfacción del paciente. Como resultado de lo anterior, estas instituciones habían comenzado a asignar recursos para desarrollar acciones de marketing que les permitiera acercarse de mejor manera tanto a sus pacientes como a sus potenciales pacientes
Una clasificación por estado, respecto a la percepción de satisfacción del sistema de salud, ubicaba al sistema de atención médica de Alaska en el puesto 51 y solo un escalón arriba en el puesto 50, seubicabael sistemadeatenciónmédicadel estadodeCarolinadel Norte,al igualqueotrosestados del Sur de los Estados Unidos.
Fuente: MDedge
Expertos en el tema de Healthcare Marketing, coincidían en señalar, que la experiencia del usuario, era esencial en cualquier negocio, sin embargo, para una institución que ofrecía servicios de prestación médica su importancia era aún más relevante. No sería incorrecto decir, que ninguna otra industria observaba un vínculo más estrecho entre el cliente y el proveedor de servicios, que la industria de la salud. Un importante prestador de servicios hospitalarios indicaba:
“Si consideramos, que esta industria se vincula con los clientes en sus momentos de mayor vulnerabilidad, es fundamental poder proporcionar una experiencia que sea capaz de trascender a la prestación médica específica.
Así como las empresas necesitan comprender de una mejor manera los datos de sus clientes en todos sus aspectos, los hospitales y centros de atención médica necesitan comprender los datos de sus pacientes, detectar similitudes y diferencias entre ellos, predecir comportamientos y proponer mejores opciones para mejorar
la experiencia de usuario y nivel de satisfacción”.
Patient satisfaction metric
Existía alto consenso en la industria del healthcare, respecto de que la “satisfacción del paciente” era un indicador válido para medir la calidad del servicio de hospitales y clínicas, dado que la opinión de cada paciente representaba una oportunidad para mejorar los servicios de salud. El criterio de los pacientes sobre la calidad del servicio hospitalario, -así como sus comentariospermitían tanto el monitoreo, así como una mejora potencial en la calidad de la prestación de los servicios, razón que explicaba el interés de parte de la industria del healthcare por mantener niveles de satisfacción adecuados a fin de aumentar los grados de competitividad en el mercado de la atención médica.
Por otra parte, en términos de ingresos y beneficios financieros, algunos estudios como el del ‘Centro de Soluciones de Salud de Deloitte’ había demostrado que aquellos hospitales y clínicas quehabíanreportadoaltospuntajesrespectodelaexperienciadesus pacientes(patient satisfaction) tendían a registrar mayores niveles de rentabilidad y significativamente mayores ingresos en comparación con aquellos centros con calificaciones más bajas.
Fuente: Deloitte Center for Health Solutions(**)
Avalando los estudios de la empresa consultora, los prestadores de la salud y atención médica del estado de Carolina del Norte, habían comprobado que mejoras en la experiencia del paciente se tendían a convertir en verdaderos ‘gatilladores’ del mejor desempeño que podía experimentar el Margen Neto y el ROA de una institución hospitalaria, respectivamente.
(**) https://www2.deloitte.com/content/dam/Deloitte/us/Documents/life-sciences-health-care/us-dchs-the-value-ofpatient-experience.pdf
Healthcare Chapel Hill Center (HCHC)
El Servicio de Atención Primaria (SAP) del Healthcare Chapel Hill Center (HCHC) ubicado en la ciudad de Chapel Hill(***), en el estado de Carolina del Norte (USA), era uno de los servicios de salud con mayor demanda por parte de los habitantes de la ciudad. Este servicio, tenía como propósitofacilitarelaccesoalasaluddeemergencia,contribuyendoaotorgarunamayorprotección y seguridad de la población frente a eventos de salud que esta percibía como urgente.
Si bien, el desempeño general que el SAP del HCHC había podido evidenciar en los últimos años era en general positivo, el servicio que otorgaba a sus pacientes no siempre había sido evaluado de manera satisfactoria, situación que había afectado su indicador de ‘Patient Satisfaction (PS)’, métrica que el centro utilizaba para evaluar la percepción del paciente respecto de la calidad de sus servicios. De acuerdo con estudios que manejaba el HCHC, este indicador era considerado uno de los drivers con mayor capacidad explicativa respecto de los ingresos que generaban los hospitales y centros clínicos del estado de Carolina del Norte.
ElSAPdeHCHCcontabaconserviciosdeurgencia general yserviciosde urgenciatraumatológica, así como con una planta física ubicada en un lugar de fácil acceso. El equipo médico y de enfermeras era muy completo y experimentado y recibía entrenamiento y capacitación continua a través de jornadas y seminarios vinculados a convenios docentes que el HCHC mantenía con una de las universidades más prestigiosas del estado de North Carolina. Dentro de las debilidades más evidentes del centro, destacaba el gran tamaño de su estructura organizacional, la discreta comunicación con las unidades periféricas de comunas distantes y el importante nivel de burocracia que impedía llevar de manera más ágil los procesos administrativos.
Por otra parte, la gran demanda experimentada en los últimos años había generado la necesidad de agilizarlosprocesosclínicos,afectandoenalgunodesusaspectos,elcontroldecalidaddelservicio. Otro punto, que había resultado un aspecto complejo de resolver, era el de los médicos que se encontraban liberados de realizar turnos, ya que una vez que estos cumplían más de 20 años de servicio, quedaban eximidos de realizar horas de urgencia, no obstante, se les continuaba remunerando por ello.
Procedimientos de evaluación
El procedimiento de atención de un paciente, se iniciaba por medio de su registro en la sección de admisiones del centro. Posteriormente, este era entrevistado por el personal de enfermería, quien determinaba su nivel de gravedad En función de dicha evaluación, se le asignaba un especialista de acuerdo al tipo de patología y estado de salud. Posteriormente, el paciente recibía la evaluación por parte del personal médico enel box correspondiente yse establecíael consiguientediagnóstico-
(***) ChapelHillesunaciudadenCarolinadelNorteysededelaUniversidaddeCarolinadelNorte(UNC),launiversidad
antigua de los EE. UU. El año 2019, la ciudad contaba con una población estimada de 60.998 habitantes de los cuales 29.084 eran estudiantes de la UNC.
estatal másterapéutico. Finalizada la actuación médica inicial y según su patología, el paciente podía ser dado de alta hospitalaria, mantenerse en observación para un mejor control clínico y finalización del estudio diagnóstico, o ser derivado a la planta de hospitalización del centro.
A las 24 horas, después de que el paciente recibía el alta, el SAP de HCHC le enviaba un correo electrónico en el cual le solicitaba evaluar los servicios recibidos.
La valoración que los pacientes otorgaban a la experiencia que habían tenido con los médicos, las enfermeras y la institución clínica, era recogida por la encuesta de satisfacción, la cual incorporaba la valoración que los pacientes realizaban respecto de la ‘experiencia total vivida’ por ellos, en la unidad del SAP de HCHC.
En general, los pacientes, se declaraban ‘satisfechos’ cuando el desempeño de la oferta (prestación clínica) era mayor que las expectativas que tenían respecto de esta. Por el contrario, los pacientes se declaraban ‘insatisfechos’ cuando el desempeño de la oferta era menor que las expectativas que tenían respecto de esta.
La premisa anterior cobraba mucho sentido, cuando aquellos pacientes que junto con tener muy clara sus expectativas, además estaban en condiciones de evaluar el desempeño de la oferta. Esta última condición no siempre era posible por cuanto el real desempeño de la oferta, en el caso de una prestación clínica, solo era posible evaluarla después de un tiempo.
En sustitución de lo anterior, el paciente promedio, tendía a evaluar de manera más imprecisa aspectos tales como, su relación con el equipo médico o su relación con el equipo de enfermeras, mejorando su precisión al momento de hacerlo respecto de aspectos institucionales tales como el servicio de hotelería, servicio de alimentación, servicio de espera telefónico, servicio de reservas de horas, servicio de valet parking, etc.
La nueva estrategia
Durante mucho tiempo, la forma de trabajo del departamento de Customer Service (CS), se había limitado a brindar apoyo y atención a los pacientes de una manera homogénea durante el tiempo en que estos se encontraban en el centro de salud, sin reparar en las características subyacentes de los pacientes o diferencias de los mismos. En razón de lo anterior, el departamento de CS había asignado históricamente susrecursos, de manera indiferenciada, argumentando queexistía limitada información disponible para efectuar acciones de marketing segmentadas, por lo que, en términos prácticos, todos los pacientes del SAP de HCHC recibían una ‘idéntica batería’ de estímulos de
marketing, de parte del departamento de CS, independiente de cualquier otra consideración.
La política anterior, no había estado exenta de cuestionamientos por parte de la dirección general de HCHC, por cuanto los indicadores de PS se habían comenzado a deteriorar en los últimos años. Dichoindicador dePS era determinado apartir delos estándares objetivos definidosporlaencuesta HCAHPS(****)
El SAP de HCHC, intentando mejorar su posicionamiento entre los pacientes, pero también intentando mejorar su desempeño financiero, decidió poner en el centro de su estrategia de marketing, el concepto de “Satisfacción del Paciente”. Por lo tanto, como una forma de complementar el trabajo que regularmente desarrollabael departamento de CS, la dirección general del centro de salud, había decidido explorar por medio del uso de herramientas de Inteligencia Artificial, el diseño de algún modelo que le permitiera pronosticar de manera anticipada, si los pacientes que se encontraban ingresando al SAP de HCHC,-a través de la sección de admisión del centro de salud-, presentaban algún tipo de propensión a priori, a evaluar de manera satisfactoria o insatisfactoria los servicios de la unidad.
El objeto de intentar generar este tipo de predicciones, era el de poder disponer anticipadamente de medidas diferenciadas de apoyo -tanto en servicios como en atención clínica-, para aquellos pacientes que fueran clasificados ex ante como potencialmente ‘insatisfechos’, por el modelo. Se esperaba que, con la aplicación de esta medida, la unidad de SAP de HCHC, pudiera disponer de información que le permitiera entregar de manera diferenciada los estímulos de marketing, de manera de poder mejorar la evaluación que recibía por parte de sus pacientes.
Hacia fines del año 2019,el entonces directormédicodelSAPdeHCHC, reflexionaba de la siguiente manera:
“Durante muchos años, hemos tenido suficiente éxito clínico, operativo y financiero ya que somos una organización sólida, sin embargo, el aumento en la demanda, así como en los costos de la atención médica, nos plantean nuevos desafíosenrelaciónalaatenciónquerequierennuestrospacientes.Noessuficiente saber que, hacemos las cosas bien, es necesario que nuestros pacientes también lo declaren de manera taxativa, al momento de evaluar nuestros servicios médicos y clínicos.
Cada vez se suman más y nuevos perfiles de pacientes con requerimientos y exigencias distintas. El nivel cultural y educacional, la edad y la condición socio económica son algunos de los aspectos que los diferencian a la hora de plantear expectativas respecto de nuestros servicios. Es importante, volver a acercarnos a nuestros “pacientes”.
¿Sería posible, llegar a predecir de manera anticipada, cuales pacientes no asistirán a sus citas? o ¿De qué manera nos evaluarán los pacientes antes de recibir la atención clínica? Si así fuera, podríamos apoyar de manera anticipada a aquellos segmentos de pacientes que con alta probabilidad nos evaluarán de manera negativa e incluso podríamos volver a programar aquellas horas que fueron agendadas por paciente que no vendrán”.
(****) HCAHPS (theHospitalConsumerAssessmentofHealthcareProvidersandSystems)esunaencuestadesatisfacción del paciente, requerida por la CMS (The Centers for Medicare and Medicaid Services) para todos los centros hospitales de los Estados Unidos.[Planteamiento del caso]:
¿De qué manera el SAP de HCHC podría beneficiarse del desarrollo de un proyecto de Inteligencia Artificial, que considere poner en producción un modelo predictivo tendiente a anticipar el comportamiento de los pacientes?
Utilice el modelo Mkt-IA-Canvas para desarrollar el caso. (Efectúe los supuestos que estime convenientes).
Anexo 1
La dataset del caso ‘Healthcare CHC´ está compuesto por dos archivos denominados: PSEVAL y PS-DATA.
Las 9 columnas y 1003 filas consideradas en la dataset del archivo denominado PS-DATA, eran las siguientes:
ID: Identificador del paciente (innominado).
RACE: Raza del paciente (1=Latino, 2=White, 3=Black, 4=Asian, 5=Other).
AGE: Edad del paciente (N).
SEX: Género del paciente (1=Male, 0 = Female).
EDU: Nivel educacional formal del paciente (1=Iliterate, 2=Primary, 3=Secundary, 4=College, 5=Bachelor+).
MAR: Estado civil del paciente (1=Single, 2=Married, 3=Widowed).
PAC-NEW: Paciente nuevo (1=Si, 0=NO).
iLL-NEW: Enfermedad o dolencia nueva del paciente (1=Si, 0=NO).
LEVEL: Nivel de complejidad de la enfermedad o de la dolencia del paciente (1=Low, 2=Medium, 3=High).
Por otra parte, las 5 columnas y 1003 filas consideradas en la dataset del archivo denominado PSEVAL, eran las siguientes:
ID: Identificador del paciente (innominado).
S-DOC: Nivel de satisfacción del paciente con el servicio otorgado por ‘el (los) doctor(es)’ del SAP de HCHC (1=very dissatisfied, 2=dissatisfied, 3=neutral, 4=satisfied, 5=very satisfied).
S-NUR: Nivel de satisfacción del paciente conel servicio otorgado por ‘la(s) enfermera(s)’ del SAP de HCHC (1=very dissatisfied, 2=dissatisfied, 3=neutral, 4=satisfied, 5=very satisfied).
S-HOS: Nivel de satisfacción del paciente con el servicio otorgado por la ‘institución’, es decir por el SAP de HCHC (1=very dissatisfied, 2=dissatisfied, 3=neutral, 4=satisfied, 5=very satisfied).
EVAL-SAT: Nivel de satisfacción general del paciente respecto del servicio global otorgado por el SAP de HCHC (1=satisfied, 0=dissatisfied).
